.png){kind=icon}
返回
A Multi-Document Summarization Method for Customer Feedback Based on Large Language Models
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-93251-9_15.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在大数据时代，自动摘要有助于用户快速从大量数据中提取关键信息。客户反馈是公司改进产品和服务的重要文本数据。当客户反馈数量庞大且多样时，从中提取关键信息可能是一项耗时任务，需要多文档摘要（MDS）服务。然而，现有的MDS方法通常仅简单列举每条反馈中最关键的问题，而非总结大多数客户的核心问题。这导致服务人员难以快速找出原因并准确制定相应对策。为克服这一挑战，本文提出了一种基于大型语言模型（LLMs）的客户反馈摘要方法。我们提出一个两阶段事件三元组树（ETT）提示：1）事件三元组提取，从多条客户反馈中提取事件三元组列表；2）迭代合并事件三元组，对列表中的三元组进行分组、合并和总结，直至只剩一个精炼的三元组。ETT提示能为服务人员提供客户反馈的全面深入概览，使其更快识别核心问题与期望，从而提升客户满意度。实验结果表明，我们提出的方法在所有数据集上均优于通用提示。
Keyword:
Generative AI
Large Language Models
Multi-Document Summarization
Customer Feedback
Prompt Engineering
期刊
机构
引用论文
.png){kind=icon}
A Personalized Reinforcement Learning Summarization Service for Learning Structure from Unstructured Data个性化强化学习摘要服务：从非结构化数据中学习结构
OAAI
OAAI分享收藏分享收藏
查看更多内容